Sign-hedged Beam QAOA:Scaling Quantum Optimization Algorithms
यह शोध पत्र साइन-हेज्ड बीम RQAOA (Sign-hedged Beam RQAOA) को प्रस्तुत करता है, जो एक हाइब्रिड क्लासिकल-क्वांटम रणनीति है जो कई साइन असाइनमेंट (sign assignments) की खोज करने और उप-इष्टतम पथों (suboptimal paths) को छाँटने के माध्यम से मानक रिकर्सिव QAOA (Recursive QAOA) के एरर प्रोपेगेशन (error propagation) को कम करती है, जिससे चुनौतीपूर्ण अनुकूलन इंस्टेंस (optimization instances) पर लगभग इष्टतम सन्निकटन अनुपात (near-optimal approximation ratios) प्राप्त होता है जहाँ पारंपरिक पुनरावृत्ति (conventional recursion) विफल हो जाती है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कंप्यूटिंग की दुनिया में, कुछ समस्याएँ एक विशाल, उलझे हुए जंगल के बीच से सबसे अच्छे रास्ते को खोजने की कोशिश करने जैसी होती हैं। आप यह देखने के लिए हर रास्ते पर चलकर नहीं देख सकते कि कौन सा सबसे छोटा है; जंगल बहुत बड़ा है, और इसे करने में लगने वाला समय एक मानव जीवनकाल से भी अधिक लंबा होगा। इसके बजाय, कंप्यूटर बेहतर मार्ग का अनुमान लगाने के लिए चतुर शॉर्टकट का उपयोग करते हैं। वर्षों से, वैज्ञानिकों ने उम्मीद की है कि एक नए प्रकार की मशीन, क्वांटम कंप्यूटर, एक साथ कई रास्तों को खोजने के लिए भौतिकी के अजीब नियमों का उपयोग करके इन पहेलियों को हल कर सके। इसे करने के लिए एक लोकप्रिय विधि है जिसे 'क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम' (Quantum Approximate Optimization Algorithm) कहा जाता है। यह समस्या को दर्शाने के लिए एक क्वांटम सिस्टम स्थापित करके, फिर उसे धीरे से हिलाकर और परिणाम को मापकर काम करता है ताकि यह देखा जा सके कि क्या उत्तर में सुधार हुआ है। हालाँकि, ये मशीनें वर्तमान में छोटी और शोर वाली (noisy) हैं, और यह विधि वास्तविक समाधान खोजने से पहले अक्सर अटक जाती है या गलतियाँ करती है। चुनौती यह रही है कि इन नाजुक मशीनों से बहुत अधिक काम करने के लिए कहे बिना उनका अधिकतम लाभ कैसे उठाया जाए।
IBM रिसर्च के शोधकर्ताओं की एक टीम ने इस प्रक्रिया को क्वांटम मशीन को अधिक कठिन कार्य दिए बिना बहुत अधिक विश्वसनीय बनाने का एक तरीका खोजा है। उन्होंने एक विशिष्ट तकनीक पर ध्यान केंद्रित किया जो एक बड़ी समस्या को छोटे, आसान टुकड़ों में तोड़ देती है। इसे करने का मानक तरीका यह है कि समाधान के एक हिस्से के बारे में एक अनुमान लगाया जाए, उस अनुमान को स्थिर कर दिया जाए, और फिर शेष छोटे हिस्से को हल किया जाए। इस दृष्टिकोण के साथ समस्या यह है कि यह अपरिवर्तनीय (irreversible) है। यदि कंप्यूटर शुरुआत में ही एक गलत अनुमान लगा देता है, तो वह गलती हमेशा के लिए लॉक हो जाती है, और उसके बाद का प्रत्येक चरण एक गलत नींव पर बनाया जाता है। इसके परिणामस्वरूप अंतिम उत्तर खराब हो जाता है, भले ही क्वांटम मशीन पूरी तरह से सही काम कर रही हो। शोधकर्ताओं ने महसूस किया कि त्रुटि क्वांटम गणना में नहीं थी, बल्कि बहुत जल्दी एक विकल्प को लॉक करने के निर्णय में थी।
इसे ठीक करने के लिए, टीम ने एक नई रणनीति विकसित की जिसे वे 'साइन-हेज्ड बीम सर्च' (sign-hedged beam search) कहते हैं। केवल एक अनुमान को लॉक करने के बजाय, यह विधि एक ही समय में सबसे आशाजनक संभावनाओं की एक छोटी संख्या को खुला रखती है। जब एल्गोरिदम को किसी चर (variable) के बारे में निर्णय लेने की आवश्यकता होती है, तो यह केवल एक पथ नहीं चुनता है। यह दोनों विकल्पों की खोज करता है—क्या होता है यदि चर को एक मान पर सेट किया जाता है, और क्या होता है यदि इसे विपरीत मान पर सेट किया जाता है। फिर यह इन विभिन्न पथों को स्कोर करने के लिए एक तेज़, क्लासिकल कंप्यूटर का उपयोग करता है और आगे बढ़ने के लिए केवल सर्वश्रेष्ठ कुछ को ही रखता है। यह एक सुरक्षा जाल की तरह कार्य करता है। यदि प्रारंभिक अनुमान गलत था, तो विधि ने बैकग्राउंड में सही पथ को पहले ही जीवित रखा है। एक बार जब समस्या को एक छोटे, प्रबंधनीय कोर तक कम कर दिया जाता है, तो कंप्यूटर उस अंतिम हिस्से को सटीक रूप से हल करता है और फिर पूर्ण समाधान को पुनर्गठित करने के लिए पीछे की ओर काम करता है।
इस दृष्टिकोण के परिणाम आश्चर्यजनक थे, विशेष रूप से 'स्पिन ग्लास' (spin glasses) नामक कठिन समस्याओं के वर्ग पर, जहाँ चरों के बीच के संबंध अत्यधिक विरोधाभासी होते हैं। इन परीक्षणों में, मानक विधि बुरी तरह विफल रही, जिससे ऐसे समाधान मिले जो सर्वोत्तम संभव उत्तर के आधे के करीब भी नहीं थे। इसके विपरीत, नई विधि ने लगभग पूर्ण समाधान प्राप्त किए, जिससे सफलता की दर लगभग सौ प्रतिशत तक पहुँच गई। शोधकर्ताओं ने इनका परीक्षण विविध वास्तविक-दुनिया जैसी समस्याओं पर किया, जिसमें नेटवर्क्स को समूहों में विभाजित करना और वित्तीय संपत्तियों के सर्वोत्तम मिश्रण का चयन करना शामिल है। उन्होंने इन परीक्षणों को शक्तिशाली कंप्यूटर सिमुलेशन और सार्वजनिक रूप से उपलब्ध वास्तविक क्वांटम हार्डवेयर दोनों पर चलाया। अधिकांश मामलों में, नया तरीका पुराने तरीके से काफी बेहतर प्रदर्शन करता है, अक्सर सर्वोत्तम संभव समाधान पाता है जहाँ मानक तरीका संघर्ष करता है या विफल हो जाता है, हालांकि कुछ विशिष्ट मामले थे जहाँ अन्य उन्नत क्लासिकल विधियाँ या मानक शेड्यूल्स प्रतिस्पर्धी बने रहे।
महत्वपूर्ण बात यह है कि यह सुधार क्वांटम सर्किटों को गहरा या अधिक जटिल बनाकर नहीं आया, जिससे वे वर्तमान मशीनों पर काम करने के लिए बहुत शोर वाले (noisy) हो जाते। इसके बजाय, लाभ क्लासिकल कंप्यूटर की ओर से निर्णय लेने के स्मार्ट तरीके से आया। क्वांटम मशीन ने समान संख्या में कदम उठाए, लेकिन शोधकर्ताओं ने इसे निर्देशों का एक बेहतर सेट और अपनी अनिश्चितताओं से उबरने का एक तरीका दिया। कुछ विकल्पों को खुला रखकर और खराब विकल्पों को हटाकर, उन्होंने एक नाजुक, एकतरफा प्रक्रिया को एक मजबूत खोज में बदल दिया। यह अध्ययन दिखाता है कि आज की कठिन समस्याओं के लिए, बाधा क्वांटम हार्डवेयर की शक्ति नहीं है, बल्कि उसके परिणामों की व्याख्या करने के लिए उपयोग किए जाने वाले तर्क की कठोरता है। निर्णय लेने की प्रक्रिया को लचीला बनाकर, शोधकर्ताओं ने दिखाया है कि हम मौजूदा तकनीक के साथ वास्तविक उत्तरों के बहुत करीब पहुँच सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।